Régression logistique

Pages: 31 (7647 mots) Publié le: 12 janvier 2014
Manuscrit auteur, publié dans "Crises et nouvelles problématiques de la Valeur, Nice : France (2010)"

LA PREVENTION DU RISQUE DE DEFAUT
DANS LES BANQUES TUNISIENNES :
Analyse comparative entre les méthodes linéaires
classiques et les méthodes de l’intelligence
artificielle : les réseaux de neurones artificiels
Hamadi Matoussi
Professeur de Finance

hal-00481087, version 1 - 5 May 2010Université de La Manouba (Tunisie)
E-mail: hmato_isc@yahoo.ca
hamadi.matoussi@iscae.rnu.tn
Aida Krichène Abdelmoula
Assistante en comptabilité
Université de Carthage 7 Novembre (Tunisie)
E-mail: aidakrichene@yahoo.fr
aida.krichene@iscae.rnu.tn

Résumé
Ce papier porte sur
le risque de non
remboursement des crédits de gestion par une
banque commerciale tunisienne. Ainsi, la maîtrisedu risque de défaut des crédits est devenue l'un
des axes stratégiques majeurs de la gestion des
organismes bancaires.
Ce papier se fixe pour objectif de comparer le
pouvoir prédictif
de trois méthodes de
prévision du risque à savoir : le scoring, la
régression logistique et les réseaux de neurones
artificiels. Nous avons utilisé une base de
données composée de 1435 dossiers de créditoctroyés aux entreprises industrielles tunisiennes
en 2003,2004,2005 et 2006. Les résultats
montrent la supériorité des réseaux de neurones
artificiels par rapport aux autres méthodes
classiques en matière de détresse financière des
firmes emprunteuses. Dans ce sens nous avons
obtenu un taux de bon classement global de 97%
pour l‟échantillon d‟apprentissage et 89.9% pour
l‟échantillon testMots clefs : Secteur bancaire scoring ;
régression logistique, panel, réseaux de
neurones, la prévision du risque de défaut

Abstract
This paper addresses the question of default
prediction of short term loans for a Tunisian
commercial bank. We make a comparative
analysis of three different statistical method of
classification (artificial neural network and
linear logistic regressionwith panel data). We
use a database of 1435 files of credits granted
to industrial Tunisian companies by a
commercial bank in 2003, 2004, 2005 and
2006.The results show that the best prediction
model is the multilayer neural network model
and the best information set is the one
combining accrual, cash-flow and collateral
variables. We got a good classification rate of
97% in the trainingdata set and 89.8% in the
validation data set.
Keywords: Banking sector, scoring, logistic
regression, Default risk Prediction, Neural
network Models.

1

Introduction

hal-00481087, version 1 - 5 May 2010

Le monde traverse actuellement une crise financière grave qui a débuté avec la crise du
marché hypothécaire à risque aux États-Unis pendant l‟été 2007 et s‟est propagée
rapidementen Europe, ce qui a révélé de graves lacunes dans le contrôle et la
réglementation des institutions financières Saurina (2008). Cette situation a entraîné une
dégradation de la qualité des engagements des banques et une insuffisance de la confiance.
Ces dysfonctionnements ont montré que la solvabilité des banques assurées doit être
surveillée par les autorités de régulation avec lapréoccupation constante de détecter
précocement les changements de leur profil de risque. C'est dans cette optique que s'est fait
sentir la nécessité d'inventer une nouvelle politique prudentielle plus soucieuse de moduler
le besoin en fonds propres réglementaires des banques en fonction de leurs risques, plus
exigeante en matière de publication d'informations sincères et pertinentes destinées auxinvestisseurs (y compris les déposants), et plus rigoureuse dans le respect de la conformité
des pratiques bancaires avec les règles édictées par les autorités de supervision et de
contrôle.
Le risque de crédit est aujourd'hui considéré comme le plus important des risques auxquels
sont confrontées les entreprises, les banques et les institutions financières. Une banque ne
doit pas subir la...
Lire le document complet

Veuillez vous inscrire pour avoir accès au document.

Vous pouvez également trouver ces documents utiles

  • Regression logistique
  • la régression logistique (résumé)
  • Modèel linéaire contre modèle logistique en regression sur données qualitatives
  • régression
  • La régression multiple
  • Analyse de la regression
  • Regression linéaire
  • Regression multiple

Devenez membre d'Etudier

Inscrivez-vous
c'est gratuit !